中国·北京 – 2024年1月8日 - MulticoreWare Inc与Imagination Technologies共同宣布已在德州仪器TDA4VM处理器上实现了GPU计算,不仅使算力提升了约50 GFLOPS,而且还实现了自动驾驶和高级驾驶辅助系统(ADAS)常见工作负载性能的跃升。
此次合作使得在高分辨率(3200x2000)图像上使用GPU运行StereoBM(Stereo Block Matching)算法的性能比使用CPU提高了100多倍,这使汽车行业的客户能够使用支持OpenCL™的IMG BXS GPU,在TDA4系统级芯片(SoC)上实现传感器处理工作负载(摄像头、雷达和激光雷达)的性能功耗比最大化,增强了平台上的其他现成计算加速器。
MulticoreWare副总裁兼汽车和交通运输业务部门总经理Vish Rajalingam表示:“汽车软件的变革推动了在低功耗SoC上无缝衔接各种智能化功能的需求。我们在所有主要AI加速器、GPU和SoC上使用OpenCL和Edge AI的经验给汽车行业的未来带来了无限的可能性。我们十分高兴能与Imagination及其客户一起深入改变这个激动人心的行业。”
为了高效率地发挥GPU核的作用,MulticoreWare对StereoBM算法进行了优化。IMG BXS-4-64 GPU内置函数与自适应内存处理有助于在具有更高分辨率的摄像头数据上实现最佳性能。
Imagination产品管理副总裁Jake Kochnowicz表示:“图形处理器在汽车中的作用远不止在显示器上渲染像素这样的传统工作,还能支持汽车ADAS工作负载的灵活、可编程和高性能方案。在软件定义汽车的整个生命周期中,硬件很早就已经被确定下来,因此GPU 正成为一项关键的差异化因素,它可以在一个对用户友好的软件环境中解锁新的功能。此次与MulticoreWare的合作充分证明了这一点。”
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
罗切斯特理工学院和美国陆军研究实验室的研究团队开发了一种突破性的无源域适应方法,通过混搭拼图增强技术和置信度-边界加权策略,使AI模型能在没有原始训练数据的情况下适应新环境。该方法在三个主要基准数据集上取得显著成果,特别是在PACS数据集上准确率提升了7.3%,为AI系统在隐私保护、安全限制等现实场景中的应用提供了新解决方案。
这篇论文介绍了R1-Code-Interpreter,一种通过有监督学习和强化学习训练大型语言模型进行代码推理的新方法。研究团队收集了144个推理和规划任务,利用多轮训练教会模型自主决定何时使用文本推理或生成代码。最终的14B模型在测试集上将准确率从44.0%提高到64.1%,超过纯文本GPT-4o并接近带Code Interpreter的GPT-4o。研究揭示了SFT阶段的关键作用,并发现模型展现出自发的自我检查行为,为开源模型提供了与商业模型竞争的代码解释器能力。